Genetic Algorithms and Reinforcement Learning Approaches for Joint Placement, Power Control, and Activation of Flying Base Stations
تقيم هذه الورقة الخوارزميات الجينية والتعلم المعزز القائم على تحسين السياسة القريبة لعملية التوزيع المشترك ثلاثي الأبعاد، والتحكم في القدرة، وتنشيط المحطات القاعدة الطائرة، مما يكشف أنه بينما تحقق الخوارزميات الجينية اتصال مستخدم أعلى في السيناريوهات المحدودة بالتداخل، فإن نهج التعلم المعزز يقدم كفاءة فائقة في القدرة وتقليلاً في التداخل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل مدينة تعج بالأمواج اللاسلكية، حيث تعاني أبراج الاتصالات الأرضية التي تبقي هواتفنا متصلة بالشبكة لمواكبة الضغط المتزايد. أحياناً، قد تؤدي طفرة مفاجئة في عدد الناس في مهرجان ما، أو كارثة طبيعية تعطل البنية التحتية، أو ببساطة وجود وادٍ ناءٍ ذي تغطية ضعيفة، إلى خلق فجوة في الشبكة. ولتغطية هذه الفجوات، يتطلع المهندسون إلى السماء؛ حيث يقترحون استخدام الطائرات بدون طيار (الدرونز)، أو المركبات الجوية غير المأهولة، المجهزة بمعدات أبراج الاتصالات لتعمل كـ "محطات قاعدية طائرة". يمكن لهذه المحطات الطائرة أن تحلق فوق حشد من الناس أو فوق تضاريس وعرة، لتبث الإشارات إلى الأشخاص الموجودين على الأرض. وبما أنها مرتفعة، فإنها غالباً ما تتمتع برؤية واضحة ومباشرة للمستخدمين في الأسفل، وهي ميزة تميزها عن الأبراج المثبتة على الأرض. ومع ذلك، فإن مجرد إطلاق طائرة بدون طيار في السماء ليس كافياً؛ إذ يجب وضع الطائرة في المكان الصحيح تماماً، وعلى الارتفاع المناسب تماماً، ويجب أن تبث إشارتها بمستوى القدرة الدقيق المطلوب. فإذا كانت مرتفعة جداً، ستكون الإشارة ضعيفة؛ وإذا كانت منخفضة جداً، فستحجبها المباني. وإذا بثت بصوت عالٍ جداً، فستتداخل مع الإشارات الأخرى؛ وإذا كان صوتها خافتاً جداً، فلن يتمكن أحد من الاتصال. علاوة على ذلك، تمتلك الطائرة بدون طيار بطارية محدودة، لذا لا يمكنها البقاء في الجو للأبد. ويكمن التحدي في إيجاد المزيج المثالي بين مكان وضع الطائرة، وارتفاعها، وقوة بثها، وما إذا كان ينبغي تشغيلها أصلاً، كل ذلك مع ضمان عدم إزعاج الشبكة الحالية.
في دراسة حديثة، تناول باحثون من الجامعة الأمريكية بالقاهرة هذا اللغز المعقد من خلال اختبار طريقتين مختلفتين لحله. فقد بنوا محاكاة حاسوبية ضخمة وواقعية لشبكة لاسلكية تتضمن كلاً من الأبراج الأرضية التقليدية وعدة طائرات بدون طيار. كانت هذه المحاكاة متطورة بما يكفي لمحاكة كيفية انتقال الموجات الراديوية فعلياً عبر المدينة، حيث ترتد عن المباني وتتلاشى مع المسافة، بدلاً من استخدام رياضيات بسيطة ومثالية. كان الهدف هو تعظيم عدد الأشخاص الذين يمكنهم الاتصال بالشبكة مع الحفاظ على أقل قدر ممكن من إجمالي الطاقة التي تستهلكها الطائرات بدون طيار. ولإيجاد الحل الأمثل، واجه الفريق نهجين متميزين. النهج الأول كان "الخوارزمية الجينية"، وهي طريقة مستوحاة من التطور البيولوجي؛ حيث تعمل عن طريق إنشاء مجموعة كبيرة من الحلول الممكنة، واختبارها، ثم خلط وتطوير أفضلها عبر أجيال عديدة لترى مدى تحسنها. أما النهج الثاني فكان "التعلم التعزيزي"، وهو نوع من الذكاء الاصطناعي حيث يتعلم العميل الحاسوبي من خلال التجربة والخطأ، ويتلقى مكافأة عن القرارات الجيدة وعقوبة عن القرارات السيئة، ليبني تدريجياً استراتيجية لكيفية التصرف في أي موقف معين.
قام الباحثون بتشغيل هذين النهجين عبر سيناريوهات متنوعة، مع تغيير حجم المدينة، وعدد الأبراج الأرضية، وعدد الطائرات بدون طيار المتاحة. كما اختبروا هدفين مختلفين: أحدهما يهتم فقط بتوصيل أكبر عدد ممكن من الناس، والآخر يحاول الموازنة بين الاتصال وتوفير الطاقة. وكشفت النتائج عن اختلاف واضح ومثير للدهشة في كيفية سلوك هذين النهجين. فقد أثبتت الخوارزمية الجينية أنها المستكشف الأكثر جرأة؛ إذ وجدت باستمرار طرقاً لتوصيل المزيد من الناس، خاصة في البيئات المزدحمة أو الصعبة حيث تتداخل الإشارات مع بعضها البعض. وقد فعلت ذلك من خلال تحريك الطائرات بدون طيار بنشاط إلى أماكن جديدة، وتعديل ارتفاعاتها، وأحياناً تشغيل عدة طائرات في وقت واحد لتغطية مساحات أكبر. وفي الاختبار الأكثر تحدياً، والذي تضمن برجين أرضيين وطائرتين بدون طيار، نجحت هذه الطريقة في توصيل مستخدمين أكثر بنسبة تقارب أربعة وعشرين بالمائة من النهج القائم على التعلم. لقد كانت مستعدة لاستخدام المزيد من الطاقة لتحقيق ذلك، معتبرة الشبكة نظاماً ديناميكياً يمكن إعادة تشكيله ليتناسب مع احتياجات المستخدمين.
في المقابل، سلك وكيل التعلم التعزيزي مساراً أكثر حذراً؛ فقد تعلم أن يكون متحفظاً، وغالباً ما يختار الاعتماد على الأبراج الأرضية الموجودة بدلاً من المخاطرة بتعقيد إدارة عدة طائرات بدون طيار. وعندما فرض الباحثون عقوبة على استخدام الكثير من الطاقة، استجاب وكيل التعلم بإيقاف تشغيل إحدى الطائرات تماماً وترك الأبراج الأرضية تقوم بالعمل الشاق. وبينما وفر ذلك الطاقة وقلل التداخل، إلا أنه يعني توصيل عدد أقل من الناس. بدا أن وكيل التعلم يفضل الحل المستقر والمتوقع على استراتيجية "المخاطرة العالية والعائد المرتفع" التي تتبعها الخوارزمية الجينية. ونادراً ما قام بتشغيل أكثر من طائرة واحدة، حتى عندما كانت طائرتان متاحتان، وكان يميل إلى إبقاء الطائرات في مواقع آمنة ولكنها ليست بالضرورة مثالية لتحقيق أقصى قدر من التغطية.
لم تدعِ الدراسة أن إحدى الطريقتين متفوقة عالمياً، بل إن الاختيار يعتمد تماماً على ما يولي مشغل الشبكة الأولوية له. فإذا كانت الأولوة هي ضمان حصول كل شخص في الزحام على إشارة، فإن النهج التطوري القائم على التجربة والخطأ (الخوارزمية الجينية) هو الأداة الأفضل؛ فهو يتفوق في إيجاد ترتيبات معقدة وغير بديهية للطائرات بدون طيار لتعظيم التغطية. ومع ذلك، إذا كانت الأولوية هي توفير عمر البطارية والحفاظ على بساطة واستقرار النظام، فإن النهج القائم على التعلم هو الأكثر فعالية، حتى لو كان ذلك يعني ترك بعض المستخدمين دون اتصال. وأشار الباحثون إلى أن نتائجهم استندت إلى عمليات المحاكاة، وهي أدوات قوية لاختبار الأفكار قبل بناء الأجهزة الحقيقية، لكنهم أقروا بأن الظروف الواقعية مع حركة الناس والطقس غير المتوقع قد تغير النتيجة. في النهاية، يقدم هذا العمل دليلاً واضحاً للمهندسين: لا يمكنك الحصول على أقصى قدر من الاتصال وأقل قدر من استهلاك الطاقة باستراتيجية واحدة. يجب أن تقرر ما إذا كنت تريد للشبكة أن تكون مستكشفاً جريئاً ومتكيفاً، أم حارساً حذراً وفعالاً، ثم تختار الخوارزمية التي تطابق تلك الشخصية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.